Curso I – SISSA

Procesamiento de Datos

Objetivo y contenido

Objetivo y contenido

Objetivo: obtener información relacionada con la organización y preprocesamiento de datos espaciales, así como trabajar con datos de series temporales.

  • Organización de datos
  • Acceso e importación de archivos específicos
  • Preprocesamiento de datos
  • Agregación de datos
  • Generación de series de tiempo a partir de conjuntos de datos grillados
  • Consideraciones adicionales

Organización de datos

Organización de datos

La organización de datos es la práctica de clasificar y organizar los datos de manera coherente para su fácil uso y acceso.

  • Nombres consistentes y claros
  • Títulos de archivo lo más cortos posible
  • Control de versión consistente

Organización de datos

Es preferible guardar los archivos (correspondientes a una serie de tiempo) con la fecha (y/o hora del día) en el nombre porque:

  • Se accederá a los archivos en el orden correcto
  • Es más fácil aplicar códigos generales
  • Es menos probable que se cometan errores

Organización de datos

La organización alfabética de archivos debe corresponder al orden cronológico de los mismos.

  • Por lo tanto, el año debe venir antes del mes, y luego el mes antes del día.

Organización de datos

Consistencia en el nombre del archivo (longitud y estilo).

  • Cada archivo de un cierto conjunto de datos debiera tener el mismo nombre base y luego un identificador numérico (fecha, número de iteración, escenario, etc.)

  • Para asegurar la misma longitud en los nombres, los meses y días del 1 al 9 deben escribirse como 01–09

  • Al exportar tablas (csv, txt, zoo, etc.) los mismos datos siempre en la misma ubicación (es decir, en la misma fila o columna)

¡Asegúrate de que los valores sin datos no se registren como ceros!

Acceso e importación de archivos específicos

Archivos específicos

A veces queremos usar archivos específicos para un cierto análisis. Por lo tanto, es útil aprender cómo extraer archivos específicos de un directorio.

Ya hemos visto que podemos listar todos los archivos dentro de una carpeta:

ssebop_files <- list.files("C:/User/SSEBop", full.names = TRUE)

Selección de archivos particulares en R

Para seleccionar un subconjunto de estos archivos, podemos usar la función grep. Esta función busca un patrón predefinido en los archivos y devuelve la posición de cada elemento.

grep("2011", basename(ssebop_files))
##  [1] 13 14 15 16 17 18 19 20 21 22 23 24

Si el nombre base de los archivos no contiene el patrón buscado, podemos usar toda la ruta de los archivos en combinación con el parámetro value:

grep("2011", ssebop_files, value = TRUE)
##  [1] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201101.tif"
##  [2] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201102.tif"
##  [3] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201103.tif"
##  [4] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201104.tif"
##  [5] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201105.tif"
##  [6] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201106.tif"
##  [7] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201107.tif"
##  [8] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201108.tif"
##  [9] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201109.tif"
## [10] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201110.tif"
## [11] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201111.tif"
## [12] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201112.tif"

Selección de archivos particulares en R

En el caso de que queramos usar el vector de posiciones, debemos seleccionar el subconjunto de archivos de la siguiente manera:

pos         <- grep("2011", basename(ssebop_files))
ssebop_2011 <- ssebop_files[pos]
head(ssebop_2011)
## [1] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201101.tif"
## [2] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201102.tif"
## [3] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201103.tif"
## [4] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201104.tif"
## [5] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201105.tif"
## [6] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201106.tif"

Selección de archivos particulares en R

Esto se puede hacer en una línea:

ssebop_2011 <- ssebop_files[grep("2011", basename(ssebop_files))]

Selección de archivos particulares en R

¿Qué pasa si solo queremos los archivos de cada marzo?

ssebop_march <- ssebop_files[grep("03.tif", basename(ssebop_files))]
head(ssebop_march)
## [1] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201003.tif"
## [2] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201103.tif"
## [3] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201203.tif"
## [4] "../Data/L4_Data_Processing_Data/SSEBop//SSEBop_201303.tif"

¡Esto funciona porque los nombres de archivo son lógicos y consistentes!

Pre-procesamiento de datos

Pre-procesamiento de datos

Por lo general, necesitamos preprocesar los datos brutos para que puedan ser utilizados de la manera que requerimos.

  • Para preprocesar datos, necesitamos saber cómo se almacenan los datos brutos

  • Esto significa que necesitamos averiguar parte o la totalidad de lo siguiente:

    • Si es necesario aplicar un factor de escala (y/o desplazamiento)
    • Cuáles son las unidades
    • Cómo se han almacenado los valores NA

Pre-procesamiento de datos

  • Sistema de proyección

  • En este ejemplo, veremos el producto de precipitación CHIRPSv2

Pre-procesamiento de CHIRPSv2

Carga los datos brutos de precipitación mensuales de CHIRPSv2 para enero de 2000.

chirps_path <- "C:/User/CHIRPS_raw/chirps-v2.0.2000.01.tif"

Ahora podemos importar el ráster utilizando el paquete terra.

library(terra)
chirps_raw <- rast(chirps_path)

Pre-procesamiento de CHIRPSv2

plot(chirps_raw)

Pre-procesamiento de CHIRPSv2

CHIRPSv2 solo proporciona precipitación en tierra firme. Los valores NA (es decir, donde no se realiza ninguna estimación) se almacenan originalmente como -9999.

¿Entonces cómo podemos crear un conjunto de datos que luego podamos utilizar en todas partes?

chirps_raw[chirps_raw == -9999] <- NA
plot(chirps_raw)

Pre-procesamiento de CHIRPSv2

Pre-procesamiento de CHIRPSv2

Ahora que los datos han sido pre-procesados, podemos guardarlos como un nuevo ráster.

writeRaster(chirps.raw, "C:/User/Result/CHIRPSv2.0_200001.tif", overwrite = TRUE)

Agregación de datos

Agregación de datos

A veces, tenemos que agregar datos para analizar diferentes escalas temporales. Un producto puede ser obtenido a escala diaria, pero se pueden requerir estimaciones mensuales o anuales. En este ejemplo, queremos derivar un raster de precipitación anual a partir de los rásters mensuales de CHIRPS para los años 2000–2003.

  • En este ejemplo, trabajaremos con archivos ráster que ya han sido pre-procesados (es decir, los valores -9999 ya han sido convertidos en NAs).
chirps_files <- list.files("C:/User/CHIRPS_monthly", full.names = TRUE)

Agregación de datos

head(chirps_files)
## [1] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-01.tif"
## [2] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-02.tif"
## [3] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-03.tif"
## [4] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-04.tif"
## [5] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-05.tif"
## [6] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-06.tif"
tail(chirps_files)
## [1] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2003-07.tif"
## [2] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2003-08.tif"
## [3] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2003-09.tif"
## [4] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2003-10.tif"
## [5] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2003-11.tif"
## [6] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2003-12.tif"

Agregación de datos

Ahora, queremos generar archivos ráster anuales sumando los 12 archivos mensuales para cada año.

  • Primero, necesitamos extraer el valor de los años desde los nombres de archivo.
years <- substr(basename(chirps_files), 15, 18)
print(years)
##  [1] "2000" "2000" "2000" "2000" "2000" "2000" "2000" "2000" "2000" "2000"
## [11] "2000" "2000" "2001" "2001" "2001" "2001" "2001" "2001" "2001" "2001"
## [21] "2001" "2001" "2001" "2001" "2002" "2002" "2002" "2002" "2002" "2002"
## [31] "2002" "2002" "2002" "2002" "2002" "2002" "2003" "2003" "2003" "2003"
## [41] "2003" "2003" "2003" "2003" "2003" "2003" "2003" "2003"

Agregación de datos

  • Ahora, usaremos la función unique para obtener los diferentes años almacenados en nuestro vector.
unique_years <- unique(years)
print(unique_years)
## [1] "2000" "2001" "2002" "2003"

Agregación de datos

¿Cómo podemos escribir un ciclo for para generar un archivo raster anual a la vez?

output_dir <- "C:/User/CHIRPSv2_annual"

for(i in 1:length(unique_years)){
  # Aquí extraemos las rutas del año i
  positions <- grep(unique_years[i], basename(chirps_files))
  files     <- chirps_files[positions]
  
  # Luego apilamos los archivos mensuales del año i
  files <- rast(files)
  
  # Ahora tenemos que agregar la precipitación mensual para obtener la precipitación anual. 
  annual <- sum(files)

  # Finalmente, podemos exportar el archivo. Sin embargo, primero tenemos que crear un nombre diferente (e identificable) 
  # para cada año. Así que incluiremos el año en el nuevo nombre de archivo.
  name          <- paste0("CHIRPS_annual_", unique_years[i])
  names(annual) <- name
  name          <- paste0(name, ".tif")
  writeRaster(annual, file.path(output_dir, name), overwrite = TRUE)
}

Agregación de datos

Si deseas ver cómo funciona este ciclo paso a paso, puedes establecer i = 1 (o cualquier otro número dentro del ciclo), y luego ejecutar cada paso individualmente e imprimir/graficar los resultados después de cada paso.

i <- 1

positions <- grep(unique_years[i], basename(chirps_files))
print(positions)
##  [1]  1  2  3  4  5  6  7  8  9 10 11 12
files     <- chirps_files[positions]
head(files)
## [1] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-01.tif"
## [2] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-02.tif"
## [3] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-03.tif"
## [4] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-04.tif"
## [5] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-05.tif"
## [6] "../Data/L4_Data_Processing_Data/CHIRPS_monthly/chirps_monthly2000-06.tif"

Agregación de datos

files  <- rast(files)
print(files)
## class       : SpatRaster 
## dimensions  : 2000, 7200, 12  (nrow, ncol, nlyr)
## resolution  : 0.05, 0.05  (x, y)
## extent      : -180, 180, -50, 50  (xmin, xmax, ymin, ymax)
## coord. ref. : lon/lat WGS 84 (EPSG:4326) 
## sources     : chirps_monthly2000-01.tif  
##               chirps_monthly2000-02.tif  
##               chirps_monthly2000-03.tif  
##               ... and 9 more source(s)
## names       : chirp~00-01, chirp~00-02, chirp~00-03, chirp~00-04, chirp~00-05, chirp~00-06, ... 
## min values  :       0.000,       0.000,       0.000,       0.000,       0.000,       0.000, ... 
## max values  :    1251.456,    1467.558,    1222.492,    1224.301,    1322.237,    1584.747, ...
annual <- sum(files)
## 
|---------|---------|---------|---------|
=========================================

Agregación de datos

plot(annual)

Agregación de datos

name          <- paste0("CHIRPS_annual_", unique_years[i])
names(annual) <- name
name <- paste0(name, ".tif")
print(name)
## [1] "CHIRPS_annual_2000.tif"
writeRaster(annual, file.path(output_dir, name), overwrite = TRUE)

Veamos lo que se guarda ahora en la carpeta CHIRPS_anual.

Agregación de datos

Ahora, en R:

annual_files <- list.files(output_dir, full.names = TRUE)
print(annual_files)
## [1] "../Data/L4_Data_Processing_Data/CHIRPS_annual/CHIRPS_annual_2000.tif"  
## [2] "../Data/L4_Data_Processing_Data/CHIRPS_annual/CHIRPSv2_annual_2000.tif"
## [3] "../Data/L4_Data_Processing_Data/CHIRPS_annual/CHIRPSv2_annual_2001.tif"
## [4] "../Data/L4_Data_Processing_Data/CHIRPS_annual/CHIRPSv2_annual_2002.tif"
## [5] "../Data/L4_Data_Processing_Data/CHIRPS_annual/CHIRPSv2_annual_2003.tif"

Veamos los rásters anuales.

annual_files <- rast(annual_files)

Agregación de datos

plot(annual_files)

El comando %in%

También podríamos haber utilizado el comando %in% en el ejemplo anterior. Este comando devuelve las posiciones de valores específicos en un vector.

a <- c(10, 10, 20, 20, 30, 30, 40, 40)
a %in% 20
## [1] FALSE FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE

Si usamos el comando %in% en combinación con el comando which:

which(a %in% 20)
## [1] 3 4

El ejemplo anterior con el comando %in%

for(i in 1:length(unique_years)){
  positions <- which(years %in% unique_years[i])
  files <- chirps_files[positions]
  
  # Luego apilamos los archivos mensuales del año i
  files <- rast(files)
  
  # Ahora tenemos que agregar la precipitación mensual para obtener la precipitación anual
  annual <- sum(files)
  
  # Finalmente, exportamos el archivo. Sin embargo, primero tenemos que crear un nombre diferente (e identificable)
  # para cada año. Por lo tanto, incluiremos el año en el nuevo nombre del archivo.
    name          <- paste0("CHIRPS_annual_", unique_years[i])
  names(annual) <- name
  name          <- paste0(name, ".tif")
  writeRaster(annual, file.path(output_dir, name), overwrite = TRUE)
}

Generación de series temporales a partir de datos grillados

Procesamiento de series temporales

En muchas ocasiones, trabajaremos con series de tiempo largas y querremos extraer datos durante un período particular. Ya hemos visto cómo extraer datos de columnas específicas (ver ejemplo en Módulo 2).

Procesamiento de series temporales

Aquí, veremos cómo seleccionar subconjuntos de datos de acuerdo a un periodo temporal y cómo calcular estadísticas mensuales. Para este propósito, utilizaremos el paquete hydroTSM, que está diseñado para manejar eficientemente las series de tiempo. Aunque hydroTSM fue diseñado para el campo de la hidrología, es un paquete eficiente para manejar series temporales, independientemente del campo científico en el que estemos trabajando.

install.packages("hydroTSM")
library(hydroTSM)

El paquete zoo

El paquete zoo es útil cuando tenemos que trabajar con series de tiempo. Mientras que los comandos read.table o read.csv devuelven las fechas en la columna respectiva, el objeto zoo incluye las fechas en el índice del objeto.

Tenga en cuenta que el paquete hydroTSM carga por defecto el paquete zoo.

Lectura de datos

Primero leeremos el archivo csv:

temp_data <- read.csv("C:/User/Daily_Temperature.csv")
head(temp_data)
##         Date        tmax         tmin
## 1 1950-01-01 16.87414245  2.267171503
## 2 1950-01-02 14.12995701  7.472945504
## 3 1950-01-03 12.87256241 -0.322433109
## 4 1950-01-04  12.7848237 -3.291659449
## 5 1950-01-05 15.15733243 -3.763536855
## 6 1950-01-06 20.72999248 -5.898691615
dim(temp_data)
## [1] 25567     3
summary(temp_data)
##      Date               tmax               tmin          
##  Length:25567       Length:25567       Length:25567      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character

Valores NA

Los valores NA se han guardado como esta cadena de texto en el archivo csv proporcionado (#N/A). Volveremos a leer el archivo csv, especificando el parámetro na.strings para interpretar los NA correctamente.

temp_data <- read.csv("C:/User/Daily_Temperature.csv", na.strings = "#N/A")
head(temp_data)
##         Date     tmax       tmin
## 1 1950-01-01 16.87414  2.2671715
## 2 1950-01-02 14.12996  7.4729455
## 3 1950-01-03 12.87256 -0.3224331
## 4 1950-01-04 12.78482 -3.2916594
## 5 1950-01-05 15.15733 -3.7635369
## 6 1950-01-06 20.72999 -5.8986916

Valores NA

tail(temp_data)
##             Date     tmax      tmin
## 25562 2019-12-26 14.67704  7.608191
## 25563 2019-12-27       NA        NA
## 25564 2019-12-28       NA        NA
## 25565 2019-12-29       NA        NA
## 25566 2019-12-30 15.46794  7.934365
## 25567 2019-12-31 21.43409 10.980799
summary(temp_data)
##      Date                tmax             tmin       
##  Length:25567       Min.   : 7.407   Min.   :-7.701  
##  Class :character   1st Qu.:21.273   1st Qu.: 7.584  
##  Mode  :character   Median :25.868   Median :12.026  
##                     Mean   :25.874   Mean   :11.614  
##                     3rd Qu.:30.341   3rd Qu.:15.742  
##                     Max.   :45.716   Max.   :27.670  
##                     NA's   :1881     NA's   :1843

Conversión a un objeto zoo

Utilizaremos la función zoo para convertir el objeto temp.data a un objeto zoo.

zoo(x, order.by)

Para nuestro ejemplo:

temp_data <- zoo(temp_data[, c(2, 3)], order.by = as.Date(temp_data[, 1]))

Conversión a un objeto zoo

¡Las fechas no corresponden a una columna de datos! Solo hay dos columnas (tmax y tmin).

head(temp_data)
##                tmax       tmin
## 1950-01-01 16.87414  2.2671715
## 1950-01-02 14.12996  7.4729455
## 1950-01-03 12.87256 -0.3224331
## 1950-01-04 12.78482 -3.2916594
## 1950-01-05 15.15733 -3.7635369
## 1950-01-06 20.72999 -5.8986916
summary(temp_data)
##      Index                 tmax             tmin       
##  Min.   :1950-01-01   Min.   : 7.407   Min.   :-7.701  
##  1st Qu.:1967-07-02   1st Qu.:21.273   1st Qu.: 7.584  
##  Median :1984-12-31   Median :25.868   Median :12.026  
##  Mean   :1984-12-31   Mean   :25.874   Mean   :11.614  
##  3rd Qu.:2002-07-01   3rd Qu.:30.341   3rd Qu.:15.742  
##  Max.   :2019-12-31   Max.   :45.716   Max.   :27.670  
##                       NA's   :1881     NA's   :1843
dim(temp_data)
## [1] 25567     2

Conversión a un objeto zoo

Para acceder a las fechas, usamos la función index.

dates <- index(temp_data)
head(dates)
## [1] "1950-01-01" "1950-01-02" "1950-01-03" "1950-01-04" "1950-01-05"
## [6] "1950-01-06"
tail(dates)
## [1] "2019-12-26" "2019-12-27" "2019-12-28" "2019-12-29" "2019-12-30"
## [6] "2019-12-31"
index(temp_data)[3:5]
## [1] "1950-01-03" "1950-01-04" "1950-01-05"

Extracción de datos para una ventana de tiempo

Podemos usar la función window para extraer datos durante un período de tiempo específico.

temp_1990s <- window(temp_data, start = "1990-01-01", end = "1999-12-31")
summary(temp_1990s)
##      Index                 tmax            tmin       
##  Min.   :1990-01-01   Min.   :10.59   Min.   :-1.821  
##  1st Qu.:1992-07-01   1st Qu.:21.99   1st Qu.: 9.007  
##  Median :1994-12-31   Median :26.34   Median :13.071  
##  Mean   :1994-12-31   Mean   :26.41   Mean   :12.708  
##  3rd Qu.:1997-07-01   3rd Qu.:30.62   3rd Qu.:16.543  
##  Max.   :1999-12-31   Max.   :44.71   Max.   :26.289  
##                       NA's   :195     NA's   :180

Estadísticas Mensuales

Podemos utilizar la función daily2monthly para calcular estadísticas para cada mes.

daily2monthly(x, FUN, na.rm = TRUE/FALSE)

x: es el objeto zoo. FUN: función a aplicar. na.rm: valor lógico. ¿Deben eliminarse los NAs?

Nota: el paquete hydroTSM incluye conversiones a valores mensuales, estacionales y anuales.

Estadísticas Mensuales

Para nuestro ejemplo, calculemos la temperatura media máxima y mínima para cada mes del año 1990.

monthly_temp1990s <- daily2monthly(temp_1990s, mean, na.rm = TRUE)
head(monthly_temp1990s)
##                tmax      tmin
## 1990-01-01 22.13839  6.021942
## 1990-02-01 20.89031  6.032163
## 1990-03-01 22.10266 10.087943
## 1990-04-01 23.71689 13.046162
## 1990-05-01 25.62137 13.678022
## 1990-06-01 30.10750 16.801449
summary(monthly_temp1990s)
##      Index                 tmax            tmin       
##  Min.   :1990-01-01   Min.   :18.73   Min.   : 5.058  
##  1st Qu.:1992-06-23   1st Qu.:22.24   1st Qu.: 9.054  
##  Median :1994-12-16   Median :26.21   Median :12.645  
##  Mean   :1994-12-16   Mean   :26.35   Mean   :12.649  
##  3rd Qu.:1997-06-08   3rd Qu.:30.21   3rd Qu.:16.650  
##  Max.   :1999-12-01   Max.   :35.33   Max.   :20.311  
##                       NA's   :1       NA's   :1

Visualización de series temporales

Para visualizar la serie de tiempo almacenada en un objeto zoo como un gráfico:

plot(monthly_temp1990s)

Visualización de series temporales

Consideraciones adicionales

Formatos de datos raster

En su forma más simple, un ráster consiste en una matriz de celdas organizadas en filas y columnas. Para una lista más detallada de los controladores de archivos ráster, haga clic aquí. Algunos de estos controladores de archivos ráster son:

  • GeoTIFF (.tif)
  • NetCDF (.nc, .nc4)
  • Formato de datos de archivo de datos jerárquicos (.HDF4, .HDF5)
  • Formato binario(.bin)
  • Información regular general distribuida de la OMM en forma binaria (.GRIB)

Importación de archivos NetCDF

La importación de archivos NetCDF en R es muy sencilla. Utilizaremos la misma función rast de la siguiente manera:

chirps <- "C:/User/CHIRPS_annual_NC/CHIPRS_annual.nc"
chirps <- rast(chirps)

Importación de archivos NetCDF

Ahora podemos visualizar el objeto chirps:

plot(chirps)

Exportación de archivos ráster en formatos diferentes

Para exportar archivos ráster con formatos diferentes, podemos utilizar la función writeRaster. En caso de que deseemos exportar un archivo NetCDF, podemos utilizar alternativamente la función writeCDF.

output_path <- "C:/User/Output_raster_formats"
# Exportar el archivo como GRD
writeRaster(chirps, file.path(output_path, "chirps_annual.grd"), overwrite = TRUE)
# Exportar el archivo como NetCDF
writeCDF(chirps, file.path(output_path, "chirps_annual.nc"), overwrite = TRUE)

Exportando archivos ráster con diferentes formatos

Archivos temporales

Ahora que ya has procesado algunos datos grandes en tu computadora, veamos los archivos temporales.

  • Ve a la siguiente ruta de archivo en el administrador de archivos: C:\Users\nombre-de-usuario\AppData\Local\Temp

  • Si estás analizando grandes cantidades de datos, los archivos temporales comenzarán a ocupar mucho espacio. Hay algunas opciones:

Archivos temporales

  • Elimina periódicamente los archivos temporales (estos archivos se eliminan al reiniciar la computadora).

  • Indícale a R que escriba los archivos temporales ráster en otra ubicación (por ejemplo, una unidad externa). Aún se deberán eliminar los archivos más tarde. Ten en cuenta que esto es solo para los archivos ráster.

Archivos temporales

En Windows, puedes acceder a los archivos temporales del sistema escribiendo %temp% en el cuadro de búsqueda.

Archivos temporales

Para cambiar el directorio donde se almacenan los archivos temporales, se puede usar la función rasterOptions.

rasterOptions(tmpdir = "ruta-donde-quieres-almacenar-los-archivos-temporales")

Además, puedes agregar código para eliminar archivos temporales. Esto se puede hacer con la función file.remove.

Cómputo en paralelo en R

Cada núcleo de una CPU puede realizar operaciones por separado de los demás. Si no se dan instrucciones especiales, R solo utilizará un núcleo de la computadora. Si se necesita procesar cantidades muy grandes de datos, consulta los siguientes enlaces:

¡Gracias por su atención!